PDFの内容を作成

Question

私はPDFの内容を作成する必要があります。

Answer 1

collections.Counterを使用すると、単語数を把握できます。正規表現を使ってページ上のすべての単語をキャッチし、それぞれをカウンターに追加してから次のページに移動します。ルックアップインデックスをすべての単語に対して同時に保存し、一般的な単語（counter[word] > threshold）をフィルタリングするか、ドキュメントを再度実行して、一般的な単語のみのインデックスを作成することができます。

a）これはやや遅くなります b） 'a'、 'the'、 'and'などのような単語を扱う必要があります。

Answer 2

すべてのテキストをPythonで文字列として使用している場合は、Natural Language ToolkitをPythonに使用することができます。 from hereをダウンロードできます。

例：

import nltk, re, pprint 
from nltk import FreqDist 

tokens = nltk.word_tokenize(pdf_text) 
text = nltk.Text(tokens) 
fdist = FreqDist(text) 
vocabulary = fdist.keys() 

print vocabulary[:50] # Print the 50 most common words 

基礎の詳細についてはBookのChapter 1をチェックしてください。 （xpdfが付属しています）

Answer 3

1. 使用pdftotextテキストファイルにあなたのPDFファイルをダンプします。これは、subprocess.callを使ってPythonスクリプトを通して呼び出すことができます。最も一般的な単語を見つけるために

2. 使用collections.Counter.most_commonまたはntlk：

   import collections 
   keywords = collections.Counter(open(<...>).read()).most_common(20) 
   

3. はthis questionを参照してください。